本发明专利技术公开了一种基于双视角DR图像的处理方法，对病理性和骨质疏松症脊椎压缩性患者的骨折特征检测。本发明专利技术实现了从DR设备采集影像并进行图像数据预处理，确定正侧位脊椎感兴趣区域，设计神经网络提取图像特征，自动化脊椎骨折的定位和严重度分级，为骨科医生进行患者的临床筛查和早期诊疗方案制定，提供了一种有效的脊椎骨折特征检测的方法。有效的脊椎骨折特征检测的方法。有效的脊椎骨折特征检测的方法。
【技术实现步骤摘要】
一种基于DR图像双视角脊椎骨折特征检测方法
[0001]本专利技术涉及一种基于DR图像双视角脊椎骨折特征检测方法，属于计算机图像处理领域。
技术介绍
[0002]脊椎骨折是临床上常见的骨折类型，由于病理原因或者骨质疏松症容易引发脊椎压缩性骨折(Vertebral compression fractures,VCF)，可导致潜在的破坏性后遗症，造成患者生活质量下降、死亡率增加，产生高昂的社会经济成本。近些年随着我国人口老龄化加快，其发病率连年上升，每年大约新增140万人受其影响，已成为广泛关注的重要健康问题。虽然X射线医疗成像设备的影像技术不断改进，但是图像仍存在噪声伪影以及灰度不均匀问题，医生肉眼识别骨折部位时难免产生偏差，影响骨折检测准确率。采用准确有效的骨折特征检测方法，能够显著改善患者的治疗与预后效果，提高患者的生存率和延长寿命。
[0003]目前常用来分析脊椎骨折的半定量评估方法是在医生视觉观察的基础上，依据椎体形状和椎体的前部、后部和中部高度下降和终板表面损失的百分比确定骨折位置，并且根据高度下降和表面损失程度将脊椎骨折的严重程度划分为Grand 1(轻度)到Grand 3(重度)，其中Grand 1是高度损失20％～25％或表面损失10％～20％，Grand 2是高度损失25％～40％或表面损失20％～40％，Grand 3是高度损失或表面损失超过40％。这是一种实用且可重复的脊椎骨折评估方法，易于在临床诊疗中实施，适用于流行病学研究和临床疗效试验，但是这个方法需要专业且经验丰富的医生。
[0004]X射线DR平片是一种快速、广泛使用且价格低廉的技术，辐射剂量相对较低，通常作为脊椎骨折的首选检查方式，由于DR成像设备的组成和特点，DR图像中存在系统固有噪声和随机噪声，这些噪声降低了图像的对比度，影响了脊椎骨折的特征检测。临床上通过肉眼观察DR图像对患者进行骨折筛查，不同医生可能给出不同的结论，并且半定量的评估方法所需的计算工作量较大，使放射科医师处理影像数据的压力增大，对脊椎骨折的严重度分级也会出现偏差。本专利技术针对现有问题，模拟医生观察DR正侧位两个视角平片的过程，提出一种基于DR图像双视角脊椎骨折特征检测方法，对脊椎骨折定位和严重度分级，提高放射医师和骨折医生的骨折特征检测准确率，为患者制定更合理的治疗方案。
技术实现思路
[0005]本专利技术的目的在于提供一种基于DR图像双视角脊椎骨折特征检测方法，为放射医师和骨折医生的骨折特征检测和治疗方案制定提供一个参考。
[0006]本专利技术为解决上述问题采用以下技术方案：
[0007]本专利技术提供一种基于DR图像双视角脊椎骨折特征检测方法，具体步骤如下：
[0008]步骤1，从DR设备采集脊椎骨折患者的影像，并对图像数据进行预处理(Imagepreprocessing)。
[0009]通过中值滤波和各向异性扩散滤波方法，对从DR成像系统采集到的图像中的随机
噪声进行去噪，将引起DR图像中脊柱椎体边缘模糊的噪声点滤除。根据DICOM格式数据标签或者原始像素的最大值和最小值，调整和设置DR图像的窗宽和窗位，将原始像素映射到8比特图像。采用限制对比度的自适应直方图均衡进行图像增强，增强DR图像的对比度同时抑制噪声，使脊椎和软组织的区分更明显，
[0010]步骤2，用经过预处理后的图像和具有丰富临床经验的放射医师的标注，得到正侧位的双角度DR平片中不同椎体的感兴趣区域(Region of interest,ROI)，
[0011]根据DR图像和对应的标注信息，裁剪出含有脊椎骨折ROI的图像块(ROI patches)，同时从相邻位置得到正常椎体ROI的图像块，调整图像块尺寸统一为224
×
224大小，赋予图像块以骨折和正常的分类标签y，
[0012]步骤3，将ROI图像块输入设计的神经网络(Neuralnetwork)中，经过在ImageNet数据集上训练得到的预训练模型(CNNmodel)后进行图像块特征混合(Hybridpatch)，然后分别输入到Multi
‑
head transformer和Shifted
‑
window transformer网络模块后进行特征拼接，最后得到脊椎骨折的预测结果，
[0013]进一步地，所述步骤3具体包括以下步骤：前后正位片和侧位片的ROI包括正常椎体图像块I
N
和骨折椎体图像块I
F
，由CNNmodel得到特征图f(I
N
,I
F
)和预测分类可以计算正常或者骨折的分类损失函数(Class loss)，即其中N为训练样本总数。在神经网络训练过程中，分类损失函数作为约束项优化CNNmodel，对预训练网络模型中的参数进行微调，使其保持图像特征的表征能力同时，可以适应脊椎骨折数据的统计分布。
[0014]第一阶段CNNmodel从ROI图像块提取的特征图f(I
N
,I
F
)，在第二阶段经过特征图像块混合将H
×
W
×
C维度的f(I
N
,I
F
)转换为H/4
×
W/4
×
2C维度，分别输入到Multi
‑
head transformer和Shifted
‑
window transformer，避免下采样丢失有用的特征信息，其中H,W,C分别表示特征图的高、宽和通道数。在Multi
‑
head transformer中，三个1
×
1卷积将输入特征图投影到展平并转置成大小为n
×
d的序列，其中d是嵌入的维度，Q、K、V展平并转置为大小为n
×
d的序列，其中n＝H
×
W，由此可得输出这让模型从不同的表示子空间联合推断注意力用于骨折定位。在Shifted
‑
window transformer中，特征图在移位的局部窗口内计算自注意力，窗口以不重叠的方式均匀划分，减少了全局注意力的庞大计算量，输出为其中B为移位偏置。将O
MHT
和O
SWT
进行特征拼接得到f
cat
＝Cancate(O
MHT
,O
SWT
)，进一步可知神经网络预测出的骨折位置t＝(t
x
,t
y
,t
w
,t
h
)和定位损失函数其中(x,y,w,h)为预测框的横、纵坐标及宽度、高度，smooth
L1
为平滑L1损失函数。
[0015]采用正侧位双视角DR图像并且设计Multi
‑
head transformer和Shifted
‑
window transformer并行网络模块是本方法本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于DR图像双视角脊椎骨折特征检测方法，其特征在于，具体步骤如下：步骤1，从DR设备采集脊椎骨折患者的影像，并对图像数据进行预处理；步骤2，用经过预处理后的图像和具有丰富临床经验的放射医师的标注，得到正侧位的双角度DR平片中不同椎体的感兴趣区域；步骤3，将ROI图像块输入设计的神经网络中，经过在ImageNet数据集上训练得到的预训练模型CNNmodel后进行图像块特征混合，然后分别输入到Multi
‑
head transformer和Shifted
‑
window transformer网络模块后进行特征拼接，最后得到脊椎骨折的预测结果；步骤4，根据神经网络输出的骨折严重度分级和预测框的概率值，实现了双视角DR图像的骨折定位和严重度分级；步骤5，临床放射科医师或者骨科医生通过观察实际DR图像，结合脊椎骨折特征检测的结果，对骨折病灶进行定位和严重度分级。2.根据权利要求1所述的一种基于DR图像双视角脊椎骨折特征检测方法，其特征在于，通过中值滤波和各向异性扩散滤波方法，对DR图像中的随机噪声进行去噪，将引起DR图像中脊柱椎体边缘模糊的噪声点滤除，根据DICOM格式数据标签或者原始像素值，设置DR图像的窗宽和窗位，将原始像素映射到8比特图像，采用限制对比度的自适应直方图均衡进行图像增强，增强DR图像的对比度同时抑制噪声，使脊椎和软组织的区分更明显。3.根据权利要求1所述的一种基于DR图像双视角脊椎骨折特征检测方法，其特征在于，根据DR图像和对应的标注信息，裁剪出含有脊椎骨折ROI的图像块，同时从相邻位置得到正常椎体ROI的图像块，调整图像块尺寸，赋予图像块以骨折和正常的分类标签。4.根据权利要求1所述的一种基于DR图像双视角脊椎骨折特征检测方法，其特征在于，所述步骤3具体如下：前后正位片和侧位片的ROI包括正常椎体图像块I
N
和骨折椎体图像块I
F
，第一阶段由CNNmodel从ROI图像块提取的特征图f(I
N
,I
F
)和预测分类在第二阶段经过特征图像块混合将H
...
【专利技术属性】
技术研发人员：陈阳，刘鸿智，高远，狄子昂，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。